活动型社会网络提供了一种利用在线社交网络组织线下社交活动的平台,用户可以发起或参加线下活动,分享活动感想、选择兴趣类型标签、组建兴趣群组并以群组名义组织活动。基于活动型社会网络用户行为,研究人们在虚拟空间中的社交关系与其在物理空间中社交活动的相互联系,设计活动、群组、标签等推荐算法提升用户体验,具有重要的研究意义和应用潜力。活动型社会网络的推荐涉及向用户推荐群组、活动、标签和向群组推荐标签,是一种多重推荐问题;而且其中向用户推荐活动是一个特别的冷启动问题:首先,一个活动的举办时间是未来某个限定的、短暂的时间段,其次,一个活动的有效推荐时间是发布时间起到举办时间止的有限时段。现有工作大多将多重推荐作为多个单一推荐独立进行,没有充分利用活动型社会网络中多种异质节点(用户、活动、标签、群组)的多重属性和多重关系,也没有挖掘更为有效的隐式特征表现方式。本文提出基于机器学习和深度学习的多元混合的推荐方法,主要思想是利用异质节点间的链接关系深入挖掘各节点的隐式特征实现多重推荐,并与直接属性相结合处理冷启动问题,改进推荐效果。本文的主要贡献如下。(1)利用机器学习思想,提出多元混合的推荐方法,在多个不同数据集下利用异质节点之间的链接关系同时实现多种推荐。具体包括3个方面的多元混合:1)利用多个异质节点之间多种链接关系进行深度学习,挖掘出每类节点的隐式特征表达;2)构建矩阵因子分解算法、贝叶斯个性化排序算法、人工神经网络算法多种算法融合的机器学习模型;3)从目标函数、向量组合方式、优化方式三个角度设计隐式特征与直接属性结合的多种改进策略。这种隐式特征表达方法不仅可以更充分地挖掘节点特征,还可以有效去噪。经在Meetup数据集的实验验证,我们的方法能实现多重推荐并取得更好的推荐效果。(2)分别使用基于内容的协同过滤算法和属性映射方法解决活动冷启动问题,并在此基础上进行改进:1)对各直接属性进行加权组合,探索出使活动推荐效果最好的权重组合方式;2)提出多重属性映射的方法,主要思想是将多重链接关系转换成目标节点的链接属性,与直接属性结合得到全局显式特征,利用属性映射的思想得到新活动的隐式特征,并将隐式特征与显式特征相结合,完成活动推荐。经在Meetup数据集的实验验证,改进后的方法能够取得更好的推荐效果。